[发明专利]基于改进ESN的网络流量预测方法

说明书

本发明提出基于改进ESN的网络流量预测方法，先对网络流量数据进行连续采集，再在其基础上对原始的网络流量数据进行降噪处理，得到降噪后的网络流量数据；同时构造基于改进ESN的网络流量预测模型，将降噪后的网络流量数据和原始网络流量数据相结合作为输入，并构造具有固定结构的双环储备池结构代替原始ESN的随机储备池结构；最终通过训练改进ESN并获得可以用于网络流量预测的基于改进ESN的网络流量预测模型。通过该方法可以提高网络流量预测结果的准确率，可以在非线性时间序列预测中取得更好的预测效果。

技术领域

本发明涉及基于改进ESN的网络流量预测方法，属于计算机应用技术领域。

背景技术

网络在社会生活、企业生产、经营管理中扮演着非常重要的角色。随着互联网技术的发展，网络规模的不断扩大，网络的复杂性越来越高，人们对于网络管理的要求也越来越高。网络流量是评价网络负载和运行状态的重要参数，通过对网络流量的连续监测并实现准确的预测，是掌握网络运行状态、实现有效管理和控制的重要手段。因此，研究网络流量的预测具有重要意义。

网络流量具有自相似性、长相关性、周期性和混沌性等特征。近年来，随着网络规模的不断扩大，传统的AR、ARMA、泊松模型等线性预测方法已经无法准确地刻画网络流量的复杂非线性关系。随着研究人员对网络流量的深入研究发现，大多数基于传统神经网络的网络流量预测模型虽然具备了比较良好的预测性能，且模型简单方便，但其性能却不够稳定。因此，回声状态网络（Echo State Network， ESN）相比于传统神经网络，其强大的非线性处理能力和较快的训练速度可以在非线性时间序列预测中取得更好的预测效果。

发明内容

本发明提出了基于改进ESN的网络流量预测方法，提高网络流量预测结果的准确率，可以在非线性时间序列预测中取得更好的预测效果。

基于改进ESN的网络流量预测方法，其特征在于，所述方法包括如下步骤：

步骤1：采集网络流量数据；

步骤2：对网络流量数据进行降噪处理；

步骤3：构造具有双环储备池结构的改进ESN网络流量预测模型；

步骤4：使用采集到的网络流量数据和降噪后的网络流量数据训练步骤3构造的基于改进ESN的网络流量预测模型；

步骤5 :使用步骤4中训练好的基于改进ESN的网络流量预测模型预测未来时刻网络流量。

进一步地，所述步骤1采集网络流量数据中，在规定的采样时间内，统计每分钟数据包的总数，最终获得一定数量的网络流量数据集合，，其中为时刻t的网络流量数据。

进一步地，所述步骤2中，对采集到的网络流量数据进行降噪处理需要先对网络流量数据进行相空间重构，然后使用局部投影方法去对已知的网络流量数据进行降噪处理，最终获得一定数量的降噪后的网络流量数据集合，，其中为时刻t的网络流量降噪数据。

进一步地，所述步骤2中，对网络流量数据进行降噪处理分为以下步骤：

步骤2-1：对于采集到的流量数据集合，利用交互信息法求出相空间重构所需的时延；

步骤2-2：对于采集到的流量数据集合，利用改进虚假最邻近点法求出相空间重构所需的嵌入维数；

步骤2-3：根据时延和嵌入维数，对已知流量数据进行相空间重构，并存储；

步骤2-4：对于相空间中的每一个相点，选取相应的局部邻域，采用局部投影方法对已知的网络流量数据进行降噪处理，获得降噪后的网络流量数据的集合。